FUDT在苹果近红外光谱分类中的应用

苹果的分类是苹果采收后商品化处理的重要环节。为了快速、无损和有效地实现苹果的分类,利用近红外光谱技术采集四种苹果的近红外反射光谱,用主成分分析对高维的近红外光谱进行降维处理,分别运行线性判别分析,二次判别分析,模糊非相关判别转换和Foley-Sammon判别分析提取鉴别信息,用k-近邻分类器进行分类。分类结果表明,模糊非相关判别转换能更好地提取苹果近红外光谱的品种鉴别信息,达到了最高的分类准确率。     

邻域保持判别非负矩阵分解

非负矩阵分解（NMF）是一种新的矩阵分解技术,为了提高NMF算法的识别率,提出了一种新的方法——邻域保持判别非负矩阵分解（NPDNMF）,该方法通过将邻域保持判别分析（NPDA）与NMF相结合来实现。邻域保持判别分析是一个将线性判别分析（LDA）与局部保持投影（LPP）综合考虑的判别分析方法,该算法既保持了LDA的判别能力,同时又可以保持原始数据的几何结构。通过将NPDA与NMF相结合,提取得到局部化同时又有很强判别能力的基图像。在ORL人脸数据库上进行人脸识别实验,结果表明该方法得到较好的识别效果。     

基于SVM的非相关线性判别分析算法研究

基于基因表达谱对组织样本进行分类,在疾病诊断领域,是个非常重要的研究课题。在基因表达数据中,基因的数量（几千个）相对于数据样本（几十个）的个数通常比较多;也就是说,数据的维数相比于数据点的个数来说比较高（这个就是采样不足问题）。过高的维数（特征或基因数）将给分类问题带来极大的挑战。提出了结合非相关线性判别式分析方法（ULDA）和支持向量机（SVM）分类算法,对结肠癌组织样本进行分类识别,并同其他方法作了比较研究,分类效果得到了提高;结果表明了该方法的可行性和有效性。     

基于贝叶斯判别的录井自动解释程序及其应用

气测录井的油气评价解释中存在许多不确定因素,比如传统采用的人工经验和图版、图表分析法,存在评价准确率不高和不同的解释人员的解释结果具有差异性等问题,需要寻找一种基于判别模型的计算机程序来解决这些问题。应用贝叶斯判别分析法建立一套气测录井评价解释模型,建立相应自动判别流程,并进行功能检验与程序测试。在实际应用过程中,进行判别因子挑选试验,最后确定了判别效果合理的判别因子组合,使得判别分析的总体正判率达到70%以上。     

基于模糊判别的指纹识别算法探讨

指纹识别在社会各个领域应用都非常广泛.本文从指纹识别的原理和应用出发,介绍一种基于模糊判别的指纹识别算法.     

一种自适应的非参数判别分析方法

线性判别分析(LDA)是在包括人脸识别等多个应用领域被广泛采用的降维方法.但是,由于LDA是基于各类均服从高斯分布的假设,导致其类间散度矩阵的定义会产生相邻类别的重叠问题.因此,我们提出了一种自适应的非参数判别分析方法(ANDA),此方法通过增加位于类边界附近样本点在类间散度矩阵中的权重的方法来增大不同类的相邻样本点之间的距离.本文通过在FERET以及ORL人脸库上的实验把ANDA方法与传统的PCA+LDA,Orthogonal LDA(OLDA)和非参数判剐分析(NDA)进行了比较,实验结果表明本文提出的方法优于其他方法.     

模糊蚁群聚类在信息数据判别中的应用

随着信息技术的高速发展,无论是商业企业、科研机构或是政府部门,在过去若干年的时间里都积累了大量的,并以不同形式存储的信息数据资料。针对信息数据十分复杂,仅靠数据库的查询检索机制和统计学方法远不能满足人们需要的问题,提出一种改进的模糊聚类新方法,能够准确、智能地将信息数据转化为明确的专家知识。最后将之与传统方法作对比,突出这种方法对信息数据判别的优势。     

基于模糊判别的立体匹配算法

立体视觉一直是计算机视觉领域所研究的一个中心问题,而立体匹配则是立体视觉技术中最关键也是最困难的部分,就得到适用于基于图象绘制技术中视图合成的准确、高密度视差图（Disparity Map）而言,现有的一些方法存在一定的局限性。考虑到立体匹配过程中存在的不确定性和模糊性,本文将已获得广泛应用的模糊理论引入立体匹配领域,提出了基于模糊判别的立体匹配算法,并用实际图象与合成图象进行了实验验证,结果表明该算法效果良好,具有实用价值。     

基于正交基非负矩阵与线性判别相结合的人脸识别

非负矩阵方法是基于局部特征提取的算法.考虑到其没有类别鉴别能力,本文在融合非负矩阵与线性判别的基础上,提出一种改进的人脸识别方法,该方法将非负矩阵的基正交化,去除信息冗余,提高了计算速度.仿真实验结果证明了该方法的有效性.     

基于模糊理论的数学公式上下标关系判别

上下标关系数学公式中出现频繁又难于解决的特殊结构,容易与其它关系混淆.提出了基于模糊理论的数学公式上下标关系判别.运用模糊理论对数学公式中符号的空间区域关系进行划分,然后应用模糊识别的方法对上下标关系进行判别.实验结果表明,运用该方法能明显提高符号空间关系判别的识别率,尤其是能很好地判别手写数学公式中的空间关系,识别的正确率可达到96.4%.     

不相关鉴别分析改进算法

不相关鉴别分析是一种非常有效并起着重要作用的线性鉴别分析方法,它能抽取出具有不相关性质的特征分量。但是,由于每一个鉴别矢量的得出都要求解一个特征方程,不相关鉴别分析算法一直是计算代价很大的算法,在需求解的鉴别矢量个数较多时尤其如此。该文基于一个等效的Fisher准则函数,提出了不相关鉴别分析的另一问题模型。使用Lagrange乘子法,可求出对应该问题模型的“不相关”鉴别矢量解的简洁的表示式。关于CENPARMI手写体阿拉伯数字库和ORL人脸图象库的实验表明,该文提出的不相关鉴别分析改进算法计算效率较原算法有较大提高。     

局部和全局加权的二维统计不相关鉴别分析

传统的统计不相关鉴别分析方法使用样本的均值来估计期望,计算出总体散度矩阵。这些方法在数据不满足高斯分布的情况下会出现大的偏差,影响最优鉴别特征的提取。为了解决该问题,文中结合二维鉴别分析的思想,分别提出了基于局部的二维统计不相关鉴别变换（L2DUDT）方法和基于全局加权的二维统计不相关鉴别变换（WG2DUDT）方法。L2DUDT通过用样本的近邻中心来定义每个样本的期望,而WG2DUDT用样本间的欧几里得距离加权来定义期望。基于AR和FERET人脸数据库的实验表明,文中提出的方法与一些相关方法相比,有效地提高了识别性能。     

核不相关鉴别分析以及它在字符识别中的应用

核不相关鉴别分析是在线性不相关鉴别分析的基础上发展起来的．然而,由于核函数的运用,计算核不相关矢量集变得更加复杂．为了解决这个问题,提出一种解决核不相关鉴别分析的有效算法．该算法巧妙地利用了矩阵的分解,然后在一个矩阵对上进行广义奇异值分解．与此同时,提出了几个相关的定理．最重要的是,提出的算法能克服核不相关鉴别分析中矩阵的奇异问题．在某种意义上,提出的算法拓宽了已有的算法,即从线性问题到非线性问题．最后,用手写数字字符识别实验来验证提出的算法是可行和有效的．     

基于支持向量机的特征提取方法研究

基因表达数据的一个重要应用是给组织样本进行分类。在基因表达数据中,基因的数量相对于数据样本的个数通常比较多;也就是说,可以得到变量数（基因数）远远大于样本数的数据矩阵。过高的维数（变量或基因数）将给分类问题带来极大的挑战。本文提出结合一种新的特征提取方法——非相关线性判别式分析方法（ULDA）和支持向量机（SVM）分类算法,对结肠癌组织样本进行分类识别。并同其它方法作了比较研究,结果表明了该方法的可行性和有效性。     

一种新的求解无相关鉴别矢量集方法

无相关鉴别矢量集方法是解决模式识别问题的有效方法．通常情况下,无相关鉴别矢量集是通过递归方式获得的,计算时间较长．该文提出了一种求解无相关鉴别矢量集的非递归方法．首先根据总体散布矩阵构造无相关投影空间．对于无相关投影空间中的任何正交矢量集,其在原空间中的特征统计无关．然后在无相关投影空间求解基于Fisher线性判别准则的正交矢量集,从而得到原空间的无相关鉴别矢量集．理论分析和实验结果表明：该文方法和Jin等的方法所求解的无相关鉴别矢量集是一致的．而应用本文方法求解无相关鉴别矢量集计算时间较短,在类别数为C的情况下,二者的时间比为(C-1)：2．     

2维不相关鉴别矢量集算法

在人脸识别算法中,已有的计算不相关鉴别矢量集的算法均是基于图像向量模型的,因而将遇到所谓的小样本问题,而且由于采用迭代求解方式,算法运算速度缓慢,为此提出了一种新的求取不相关鉴别矢量集的算法,即一种基于图像矩阵模型的2维不相关鉴别矢量集算法。算法由于采用了图像矩阵模型,解决了小样本问题,通过对类内散布矩阵的白化变换,使得推广的2维线性鉴别分析模型具有类似的2维主成分分析模型的形式,从而将两种算法的模型有效地联系起来,进而可以非迭代地求得2维不相关鉴别矢量集,不但求解速度快且数值解稳定。在ORL和Yale人脸库上的实验结果表明,该算法不但减少了计算时间,同时也提高了识别率,为求解不相关鉴别矢量集提供了一个新的思路。     

基于仿生学的不相关局部保持鉴别分析

由于形象思维方式是人类的一种本质思维方式,人类通过各种感官来认知事物的规律性,进而提取出具有代表性的特征,因此通过形象思维的方法来提取事物的本质特征符合人类认知事物的规律.针对人脸识别中特征提取问题,该算法以形象认知规律与无监督判别投影为理论基础,提出了一种仿生不相关空间局部保持鉴别分析(biomimetic uncorrelated locality preserving discriminant analysis, BULPDA)算法.算法首先根据人类形象认知的特性构建了一种新的相似系数表示方法;然后结合不相关空间概念,确保矢量空间具有不相关性;最后给出了基于奇异值分解的矢量空间求解方法,形成了一种特征提取新思路.在标准数据库上的实验结果表明,新算法优于传统的特征提取方法和其他改进的局部保持投影方法.     

Fisher线性鉴别分析的理论研究及其应用

Fisher线性鉴别分析已成为特征抽取的最为有效的方法之一.但是在高维、小样本情况下如何抽取Fisher最优鉴别特征仍是一个困难的、至今没有彻底解决的问题.文中引入压缩映射和同构映射的思想,从理论上巧妙地解决了高维、奇异情况下最优鉴别矢量集的求解问题,而且该方法求解最优鉴别矢量集的全过程只需要在一个低维的变换空间内进行,这与传统方法相比极大地降低了计算量.在此理论基础上,进一步为高维、小样本情况下的最优鉴别分析方法建立了一个通用的算法框架,即先作K-L变换,再用Fisher鉴别变换作二次特征抽取.基于该算法框架,提出了组合线性鉴别法,该方法综合利用了F-S鉴别和J-Y鉴别的优点,同时消除了二者的弱点.在ORL标准人脸库上的试验表明,组合鉴别法所抽取的特征在普通的最小距离分类器和最近邻分类器下均达到97%的正确识别率,而且识别结果十分稳定.该结果大大优于经典的特征脸和Fisherfaces方法的识别结果.     

基于最佳鉴别变换和分类器组合的人脸自动识别

人脸识别技术在商业和法律上有广泛的应用前景 ,在安全监控中也大有用武之地 .其主要任务是利用已有的人脸图象库 ,识别静止的或视频图象中的一张或多张人脸 .从抽取具有统计不相关的模式特征着手 ,通过基于小波变换的图象分解和 KL 变换等处理 ,避开人脸识别的小样本集的局限 ,并通过运用具有统计不相关性的最佳鉴别变换 ,来抽取人脸的有效鉴别特征 .同时 ,利用多特征多分类器组合的方法对图象进行识别 .该方法在 ORL 人脸图象库上进行实验 ,得到识别错误率为 2 %的实验结果 ,这是目前在此人脸图象数据库上所得到的最好的实验结果 .而且本方法对人脸的姿态、表情等条件具有一定的不敏感性     

无参数无相关最大化判别边界算法

在人脸识别算法中,无参数局部保持投影(PFLPP)是一种有效的特征提取算法, 但忽略了异类近邻样本在分类中所起的作用,并且对于近邻的处理仅利用样本与总体均值的 距离关系来判断,因此并不能有效地确定近邻关系。基于此,提出一种无参数无相关最大化 判别边界算法,有效地利用了样本的类别信息,定义了无参数同类近邻样本的相似权值与异 类近邻样本的惩罚权值,样本邻域大小可根据类内平均余弦距离和类间余弦距离自适应确定, 为了进一步增强算法的性能,给出了具有不相关性的目标函数。UMIST 和 AR 人脸库上的实 验结果表明,该算法相对于不相关保局投影分析算法和 PFLPP 算法,具有运算量低、识别性 能高的优势。